对我来说，给定模式的二元分类可能类似于假设检验，这似乎是完全合理的，但不一定。这也取决于您在这里想到的具体情况。让我们假设您有一个分类器（希望是一个好的分类器），并希望使用它来确定给定模式属于哪个类。这应该是一个新模式，你还不知道真正的类。在机器学习中，通过将其预测类别与已知（真实）类别进行比较来评估分类器的价值是很常见的，但这是一项不同的努力。然后，

• 在假设检验的 Neyman-Pearson 方法中（参见此处），除非有足够的证据拒绝它，否则您将表现得好像零是正确的。需要明确的是，这并不意味着您已经“证明”了 null 为真（参见此处），您最终会在两个方向上都犯错误。关键是决定你认为你可以忍受的长期错误率。通常，null 和alternative 不会被对称处理——优先考虑null。因此，例如，人们通常只会在证据足以证明他们的长期 ' I 型' 错误率为 5%。一般来说，检验假设的研究是这样构建的，即当替代方案获得时，80% 的时间将拒绝零。这些事实表明，人们宁愿在不拒绝空值的一方犯错，而不是相反。但这是对不同类型错误的缺点的特殊价值判断，这在逻辑上没有任何必要。
• 另一方面，在机器学习中对新模式进行分类时，典型的是对所有模式进行分类，并将其分类为最大后验类。也就是说，如果分类器表明模式更可能是 A 而不是非 A，则该模式将被归类为 A 类。这又是一个价值判断。分类器可以“加权”，以便它们优先考虑敏感性或特异性。

因此，它们代表了不同的文化和概念框架，但可以与这两种活动的基本逻辑结构相对应。

我们还可以从其他角度进行比较和对比。例如，我们可以根据分类器体现的功能的好坏来讨论分类器是否充分执行（根据某些标准判断），模仿真正的底层函数，以及是否/如何接近满足特定假设检验的假设。类似地，我们可以对比如何在机器学习中训练分类器（例如，通过最小化交叉验证错误）与如何构建模型以创建可以测试特定假设的上下文。 $\hat f({\rm data})$$f({\rm data})$

对于更广泛的观点，您可能会对我在这里的回答感兴趣：数据挖掘、统计、机器学习和 AI 之间有什么区别？

两者在实践中不一定不重叠。我还要注意假设检验和统计学意义对我来说似乎略有不同（至少通过本网站上的标签描述）：并非所有假设检验都必须与“空”（或“随机/偶然/无影响”）替代方案进行比较。

也就是说，假设检验可能通常与预先定义的假设相关联，通常以参数分布。

例如，在训练一个高斯混合模型，参数（，）和数据标签（其中）通常会有所不同。然而，对于一组固定的组件参数，决定一个点属于哪个组件（类）至少类似于假设检验（例如，在对新示例进行分类时，或在EM 训练的“E-step”中决定标签时）。$\mu_k$$\Sigma_k$$k_i\in\mathrm{components}$$i\in\mathrm{data}$

所以我猜关键区别（在我看来）是在（经典？）统计假设检验中，一旦看到数据，就严格不允许改变假设。

（例如，有争议的“ p-hacking ”现象。）